Marzari, N., Ferretti, A. & Wolverton, C. Métodos de estructura electrónica para el diseño de materiales. Nat. Mate. 20736–749 (2021).
Payne, MC, Teter, MP, Allan, DC, Arias, TA & Joannopoulos, JD Técnicas iterativas de minimización para cálculos de energía total ab initio: dinámica molecular y gradientes conjugados. Rev.Mod. física 641045 (1992).
Unke, OT Campos de fuerza de aprendizaje automático. química Rvdo. 12110142–10186 (2021).
Deringer, VL et al. Proceso de regresión gaussiana para materiales y moléculas. química Rvdo. 12110073–10141 (2021).
Behler, J. Cuatro generaciones de potenciales de redes neuronales de alta dimensión. química Rvdo. 12110037–10072 (2021).
Kondrakov, AO Colapso de red inducido por transferencia de carga en materiales catódicos ncm ricos en ni durante la delitiación. J. física. química C 12124381–24388 (2017).
Dixit, M., Markovsky, B., Schipper, F., Aurbach, D. & Major, DT Origen de la degradación estructural durante el ciclo y baja estabilidad térmica de materiales de electrodos basados en metales de transición en capas ricos en ni. J. física. química C 12122628–22636 (2017).
Varanasi, AK, Bhowmik, A., Sarkar, T., Waghmare, UV y Bharadwaj, MD Ajuste del potencial electroquímico de licoo 2 con sustitución de cationes: predicciones de primeros principios y origen electrónico. iónicos 20315–321 (2014).
Kuo, L.-Y., Guillon, O. & Kaghazchi, P. Sobre el origen de la variación no monotónica de los parámetros de red de lini 1/3 co 1/3 mn 1/3 o 2 con litiación/delitiación: a estudio de primeros principios. J.Mater. química A 813832–13841 (2020).
Chang, J. et al. Compuestos de perovskita sin plomo cssn1-xgexi3-ybry explorados para una absorción de luz visible superior. física química química física 2314449–14456 (2021).
Barragan-Yani, D. & Albe, K. Estructura atómica y electrónica de dislocaciones perfectas en los materiales absorbentes solares cuinse 2 y cugase 2 estudiadas mediante cálculos de primeros principios. física Rev B 95115203 (2017).
Castellani, NJ, Branda, MM, Neyman, KM e Illas, F. Estudio de la teoría funcional de la densidad de la adsorción del átomo de au en el óxido de cerio: efecto de los sitios de superficie poco coordinados. J. física. química C 1134948–4954 (2009).
Palmer, C. Pirólisis de metano con un catalizador de aleación de cobre fundido. Catálogo ACS. 98337–8345 (2019).
Zaffran, J. & Toroker, MC La ionicidad del enlace metal-oxígeno como descriptor eficiente de la actividad fotocatalítica del niooh dopado. ChemPhysChem 171630–1636 (2016).
Vasileff, A. Control de selectividad para la reducción electroquímica de co2 mediante redistribución de carga en la superficie de aleaciones de cobre. Catálogo ACS. 99411–9417 (2019).
Cao, B. et al. Reversibilidad de líquidos iónicos basados en imido: un estudio teórico y experimental. RSC Avanzado. 711259–11270 (2017).
Mangiatordi, GF, Hermet, J. y Adamo, C. Modelado de la transferencia de protones en dímeros similares a imidazol: un estudio de la teoría funcional de la densidad. J. física. química A 1152627–2634 (2011).
del Olmo, L., Morera-Boado, C., López, R. & de la Vega, JMG Análisis de densidad electrónica del líquido iónico de cloruro de 1-butil-3-metilimidazolio. J. Mol. Modelo. 201–10 (2014).
Armaković, S., Armaković, SJ, VraneÅ¡, M., Tot, A. & Gadžurić, S. Dft estudio del salicilato de 1-butil-3-metilimidazolio: un líquido iónico de tercera generación. J. Mol. Modelo. 211–10 (2015).
Shen, J.-X., Horton, M. & Persson, KA Un algoritmo de inserción de cationes general basado en la densidad de carga para generar nuevos materiales de cátodo de iones de litio. Cálculo npj. Mate. 61–7 (2020).
Kahle, L., Marcolongo, A. y Marzari, N. Cribado computacional de alto rendimiento para conductores de iones de litio de estado sólido. Entorno Energético. ciencia 13928–948 (2020).
Tsubaki, M. & Mizoguchi, T. Campo profundo cuántico: función de onda basada en datos, generación de densidad de electrones y predicción y extrapolación de energía de atomización con aprendizaje automático. física Rev. Lett. 125206401 (2020).
Lewis, AM, Grisafi, A., Ceriotti, M. & Rossi, M. Aprendiendo densidades de electrones en la fase condensada. J. Chem. Teoría y Computación. 177203–7214 (2021).
Brockherde, F. et al. Omitir las ecuaciones de Kohn-Sham con el aprendizaje automático. Nat. común 8872 (2017).
Bogojeski, M. et al. Predicción eficiente de densidades de electrones 3D utilizando aprendizaje automático. arXiv https://doi.org/10.48550/arXiv.2205.05475 (2018)
Grisafi, A., Wilkins, D., Csányi, G. & Ceriotti, M. Aprendizaje automático adaptado a la simetría para las propiedades tensoriales de sistemas atomísticos. física Rev. Lett. 120036002 (2018).
Grisafi, A. et al. Modelo transferible de aprendizaje automático de la densidad electrónica. Ciento ACS. ciencia 557–64 (2019).
Fabrizio, A., Grisafi, A., Meyer, B., Ceriotti, M. & Corminboeuf, C. Aprendizaje de densidad electrónica de sistemas no covalentes. química ciencia 109424–9432 (2019).
Sinitskiy, AV, Pande, VS La red neuronal profunda calcula las densidades de electrones y las energías de un gran conjunto de moléculas orgánicas más rápido que la teoría funcional de la densidad (DFT). arXiv https://doi.org/10.48550/arXiv.1809.02723 (2018).
Ronneberger, O., Fischer, P. y Brox, T. En Informática de Imágenes Médicas e Intervención Asistida por Ordenador (MICCAI). Apuntes de clase en informática vol. 9351 (eds. Navab, N. et al.) 234–241 (Springer, 2015).
Zepeda-Núñez, L. et al. Densidad profunda: eludir las ecuaciones de Kohn-Sham a través de redes neuronales que preservan la simetría. J. Cómputo. física 443110523 (2021).
Chandrasekaran, A. Resolviendo el problema de la estructura electrónica con el aprendizaje automático. Cálculo npj. Mate. 51–7 (2019).
Kamal, D., Chandrasekaran, A., Batra, R. & Ramprasad, R. Un modelo de predicción de densidad de carga para hidrocarburos utilizando redes neuronales profundas. Mach. Aprender. ciencia Tecnología 1025003 (2020).
Alred, JM, Bets, KV, Xie, Y. y Yakobson, BI Aprendizaje automático de la densidad electrónica en nanotubos de carbono reticulados con azufre. compos. ciencia Tecnología 1663–9 (2018).
Gilmer, J., Schoenholz, SS, Riley, PF, Vinyals, O., Dahl, GE Paso de mensajes neuronales para la química cuántica. En Conferencia Internacional sobre Aprendizaje Automático. 1263-1272 (ACM, 2017).
Schütt, KT, Sauceda, HE, Kindermans, P.-J., Tkatchenko, A. & Müller, K.-R. SchNet: una arquitectura de aprendizaje profundo para moléculas y materiales. J. Chem. física 148241722 (2018).
Gong, S. Predicción de la distribución de la densidad de carga de los materiales mediante una red convolucional gráfica basada en el entorno local. física Rev B 100184103 (2019).
Cuevas-Zuviría, B. & Pacios, LF Modelo analítico de densidad electrónica y su inferencia de aprendizaje automático. J. Chem. información Modelo. 603831–3842 (2020).
Cuevas-Zuviría, B. & Pacios, LF Aprendizaje automático de la densidad electrónica analítica en moléculas grandes a través del paso de mensajes. J. Chem. información Modelo. 612658–2666 (2021).
Jørgensen, P .B., Bhowmik, A. DeepDFT: Red de paso de mensajes neuronales para una predicción precisa de la densidad de carga. Preimpresión en https://arxiv.org/abs/2011.03346 (2020).
Schütt, K., Unke, O. & Gastegger, M. Paso de mensaje equivalente para la predicción de propiedades tensoriales y espectros moleculares. En Actas de la 38.ª Conferencia Internacional sobre Aprendizaje Automático vol. 139 (eds. Meila, M. & Zhang, T.) 9377–9388 (PMLR, 2021).
Cohen, TS, Cohen, TS y Nl, U. 33.ª Conferencia Internacional sobre Aprendizaje Automático (PMLR, 2016).
Kondor, R., Lin, Z. y Trivedi, S. Avances en sistemas de procesamiento de información neuronal, vol. 31 (Prensa del MIT, 2018).
Thomas, N. et al. Redes de campo tensorial: Redes neuronales equivalentes a rotación y traslación para nubes de puntos 3D. Preimpresión en https://arxiv.org/abs/1802.08219 (2018).
Anderson, B., Hy, TS y Kondor, R. Avances en sistemas de procesamiento de información neuronal vol. 32 (NIPS, 2019).
Qiao, Z. et al. Informar el aprendizaje profundo geométrico con interacciones electrónicas para acelerar la química cuántica. proc. nacional Academia ciencia 119e2205221119 (2022).
Ruddigkeit, L., van Deursen, R., Blum, LC y Reymond, J.-L. Enumeración de 166 mil millones de pequeñas moléculas orgánicas en la base de datos del universo químico GDB-17. J. Chem. información Modelo. 522864–2875 (2012).
Ramakrishnan, R., Dral, PO, Rupp, M. & von Lilienfeld, OA Estructuras químicas cuánticas y propiedades de moléculas de 134 kilo. ciencia Datos 1140022 (2014).
Chung, SJ, Hahn, T. & Klee, WE Nomenclatura y generación de redes triperiódicas: el método vectorial. Acta Crystallogr. A 4042-50 (1984).
Klee, WE Redes cristalográficas y sus gráficos de cocientes. cristal. Res. Tecnología 39959–968 (2004).
Hafner, J. Ab-initio simulaciones de materiales usando vasp: teoría funcional de la densidad y más allá. J. Cómputo. química 292044–2078 (2008).
Wellendorff, J. Funcionales de densidad para la ciencia de superficies: desarrollo de modelos de correlación de intercambio con estimación del error bayesiano. física Rev B 85235149 (2012).
Perdew, JP, Burke, K. & Ernzerhof, M. Aproximación de gradiente generalizada simplificada. física Rev. Lett. 773865 (1996).
Perdew, JP & Wang, Y. Representación analítica precisa y simple de la energía de correlación electrón-gas. física Rev B 4513244 (1992).
Ceperley, DM & Alder, BJ Estado fundamental del gas de electrones por un método estocástico. física Rev. Lett. 45566 (1980).
Perdew, JP & Zunger, A. Corrección de autointeracción para aproximaciones funcionales de densidad para sistemas de muchos electrones. física Rev B 235048 (1981).
Hammer, B., Hansen, LB & Nørskov, JK Energética de adsorción mejorada dentro de la teoría funcional de la densidad utilizando funcionales perdew-burke-ernzerhof revisados. física Rev B 597413 (1999).
Zhang, Y. & Yang, W. Comentario sobre «aproximación de gradiente generalizada simplificada». física Rev. Lett. 80890 (1998).
Csonka, GI Evaluación del desempeño de funcionales de densidad recientes para sólidos a granel. física Rev B 79155107 (2009).
Huang, B., Symonds, NO, Lilienfeld, OA v. (eds.) Aprendizaje automático cuántico en química y materiales (Primavera, 2018).
Batzner, SE (3) Redes neuronales de gráficos equivalentes para potenciales interatómicos precisos y eficientes en datos. Nat. común 132453 (2022).
Tang, W., Sanville, E. & Henkelman, G. Un algoritmo de análisis de Bader basado en cuadrículas sin sesgo de celosía. J. física. condensa. Asunto 21084204 (2009).
Jung, R., Metzger, M., Maglia, F., Stinner, C. y Gasteiger, HA Liberación de oxígeno y su efecto sobre la estabilidad cíclica de los materiales de cátodo linixmnycozo2 (nmc) para baterías de iones de litio. J. Electroquímica. Soc. 1641361 (2017).
Arnaldsson, A. et al. Código: análisis de carga de Bader. http://theory.cm.utexas.edu/henkelman/code/bader/ (2020).
Lu, T. & Chen, Q. Indicador de región de interacción: una función de espacio real simple que revela claramente tanto los enlaces químicos como las interacciones débiles. química Métodos 1231–239 (2021).
de Silva, P. & Corminboeuf, C. Visualización simultánea de interacciones covalentes y no covalentes utilizando regiones de superposición de densidad. J. Chem. Cálculo de la teoría. 103745–3756 (2014).
Gasteiger, J., Groß, J., Günnemann, S. Conferencia Internacional sobre Representaciones de Aprendizaje (ICLR, 2020).
Behler, J. & Parrinello, M. Representación generalizada de redes neuronales de superficies de energía potencial de alta dimensión. física Rev. Lett. 98146401 (2007).
Ramakrishnan, R., Dral, P., Rupp, M. y Anatole von Lilienfeld, O. Estructuras químicas cuánticas y propiedades de moléculas de 134 kilos. parte del higo https://doi.org/10.6084/m9.figshare.c.978904.v5. (2014).
Jörgensen, PB & Bhowmik, A. Conjunto de datos QM9 VASP. Universidad Técnica de Dinamarca. https://doi.org/10.11583/DTU.16794500 (2022).
Jörgensen, PB, Bhowmik, A. Conjunto de datos NMC. Universidad Técnica de Dinamarca. https://doi.org/10.11583/DTU.16837721 (2022).
Jörgensen, PB & Bhowmik, A. Conjunto de datos de dinámica molecular de carbonato de etileno. Universidad Técnica de Dinamarca. https://doi.org/10.11583/DTU.16691825 (2022).
Jörgensen, PB Implementación del modelo DeepDFT. https://github.com/peterbjorgensen/DeepDFT (2022).
Relacionado:
Técnicas para entrenar grandes redes neuronales
¿Quiere una extrusión más rápida pero no tiene un volcán? ¡Nueces!
7 de diciembre de 1676, el astrónomo danés Ole Romer hace la primera estimación de la velocidad de la luz
7 de Diciembre de 1676, en Francia, el astrónomo danés Ole Romer hace la primera estimación de la velocidad de la luz al estudiar el movimiento del satélite Ío de Júpiter con un telescopio.
